Planetary Prediction Engine、地理データとモデルを自動構成——エボラ流行ホットスポットでRecall@10が83.3%に

Googleの研究チームはPlanetary Prediction Engine（PPE）を発表した。地理予測で特に人手を要するデータ探索、時空間範囲の確認、特徴量の組み合わせ、モデル選択をエージェントに委ねる試みだ。ユーザーが自然言語で記述した目標とラベル付きデータを入力すると、システムはまずタスクを空間回帰、超解像、伝播モデル、感染症流行のリアルタイム予測のいずれかに分類し、Data Commons、Google Earth Engine、政府のデータポータル、学術データベースから結合可能な共変量を探索する。

PPEは大規模なデータテーブルをLLMのコンテキストへ直接投入せず、不透明なhandleを使って、分離された3つのステージ間でDataFrame、GeoJSON、移動行列を受け渡す。LLMは要求の解析と事前定義されたツールの選択だけを担当する。データ層では、統計変数をPDFMおよびAlphaEarthの凍結済み地理embeddingと融合し、線形モデル、boosting、XGBoost、MLPなどの候補アーキテクチャを探索する。Feature Gateは、目的変数の算出式を構成する項目、同一の調査を出典とする変数、将来の情報を含むデータ、原因ではなく結果と判断された変数を除外する。欠損値に関する統計量も、訓練データの分割からのみ算出される。

著者らの報告によると、完全なパイプラインは米国CDCの健康指標21項目で平均76.8%のR²を達成し、人手で構築したパイプラインの60%を上回った。ナイジェリアの食料安全保障データのダウンスケーリングでは、R²が31.5%から66.1%へ向上した。2026年にコンゴ民主共和国で発生したBundibugyoエボラ流行を対象とする5回の週次予測では、各時点でリスクが最も高い上位10地区により、新たに感染が確認された15地区すべてを捕捉した。全体のRecall@10は83.3%で、コンセンサス・ベースラインは約73%だった。

ただし、現段階では公共衛生上の意思決定をそのまま任せられる汎用エージェントではない。エボラに関する検証は単一の流行事例に限られ、因果方向のフィルタリングもまだ形式化されていない。高解像度のAlphaEarth特徴量は、社会的脆弱性を対象としたあるダウンスケーリング試験で、逆にR²を52.0%から40.1%へ低下させた。衛星由来の信号を増やすことで、空間ノイズも増える可能性を示している。論文は現時点で、完全に再現可能なコードベースも公開していない。今後は、病原体や国をまたぐ前向き検証に加え、データおよびモデル探索のコストを公開し、定量化できるかが焦点となる。